Die zweite Generation der NPU 2 verfügt über verbesserte analoge Einheiten, die native nichtlineare Verarbeitungskerne realisieren. Dadurch verringert sich die Anzahl der Modellparameter drastisch, während die Genauigkeit bei Bildklassifikation und physikbasierten Simulationen signifikant steigt. Anwender erzielen präzisere Ergebnisse mit weniger Rechenaufwand. Der integrierte Native Processing Server NPS im 19-Zoll-Format kombiniert die Photonikkraft mehrerer NPU 2-Chips mit einem x86-Host unter Linux und erlaubt einfache Einbindung in bestehende Workflows. Über PCIe-Schnittstellen sowie umfangreiche Entwickler-APIs.
Inhaltsverzeichnis: Das erwartet Sie in diesem Artikel
Optische NPU 2 verarbeitet komplexe nichtlineare Funktionen in Sekunden
Die schlüsselfertige NPU 2 von Q.ANT (Bild links) (Foto: Q.ant GmbH)
Q.ANTs NPU 2 verlagert nichtlineare Rechenoperationen vom elektronischen Silizium in den optischen Bereich und erhöht so Energieeffizienz und Rechenleistung deutlich. Photonische Schaltkreise realisieren komplexe Mathematik in einem Schritt, ohne aufwendige Kühlsysteme. Dies ermöglicht fortschrittliche KI-Anwendungen wie physikalische Modellierung, adaptive Robotik, Computer Vision der nächsten Generation, hochpräzise physikbasierte Simulationen und automatische Mustererkennung in Industrie, Medizin, Logistik, Materialforschung und Umweltüberwachung mit minimalem Energieaufwand, Echtzeit-Datenanalyse, Edge-Computing und Cloud-Integration.
Mehrere photonische Prozessoren und Linux-Basis: Q.ANT NPS revolutioniert Serverarchitekturen
Q.ANTs NPU 2 wird als 19-Zoll-Rackserver (Native Processing Server NPS) ausgeliefert und enthält mehrere photonische Prozessoren, einen x86-Host und eine Linux-Distribution. Über PCIe-Verbindungen sowie C/C++- und Python-APIs integriert sich das System direkt in existierende CPU-/GPU-Rechenzentren. Betreibern steht damit eine sofort einsatzbereite photonische Beschleunigerplattform zur Verfügung, die nahtlos mit klassischen Hardwarekomponenten kooperiert und KI-Workloads effizienter abarbeitet.
Die photonische Datenverarbeitung basiert auf der Nutzung von Laserlicht und Wellenleitern, um Matrixmultiplikationen und nichtlineare Operationen direkt im optischen Domäne auszuführen. Durch diesen analogen Ansatz reduziert sich der Energieverbrauch um das bis zu Dreißigfache. Parallel dazu steigt die Verarbeitungsgeschwindigkeit um das Fünfzigfache an, da viele Rechenschritte simultan stattfinden. Diese Innovation eliminiert thermische Engpässe und ermöglicht kompakte Beschleunigerlösungen für anspruchsvolle KI- und HPC-Anwendungsfälle mit geringeren Betriebskosten, reduziertem Platzbedarf und modularem Aufbau.
Die schlüsselfertige NPU 2 von Q.ANT (Bild links) (Foto: Q.ant GmbH)
Photonische Recheneinheiten arbeiten ohne Energieverlust in Form von Abwärme, was den Einsatz aufwendiger Kühlsysteme überflüssig macht. Optisch realisierte Funktionen können in einem Durchgang komplexe nichtlineare Berechnungen durchführen, für die traditionell zehntausende CMOS-Transistoren nötig wären. Mit dieser Technologie erreicht Q.ANT bis zu 30-mal niedrigeren Strombedarf und eine um das Fünfzigfache erhöhte Datenverarbeitungsgeschwindigkeit in KI- und HPC-Umgebungen mit hohem Rechenaufwand und bietet dadurch eine nachhaltige und kosteneffiziente Alternative im Vergleich zu herkömmlichen Rechenarchitekturen.
Q.ANT präsentiert bildbasierte KI-Demo mit Q.PAL in St. Louis
Auf der Supercomputing Show 2025 in St. Louis (17. bis 21. November) lädt Q.ANT am Stand 535 des Leibniz-Rechenzentrums zu einer praxisorientierten, bildgestützten KI-Trainingssession ein. Dabei wird die Photonic Algorithm Library Q.PAL verwendet, um mithilfe optischer Berechnungen beträchtlich die Anzahl der Parameter und Rechenschritte zu verringern. Die imposante Live-Vorführung demonstriert eindrucksvoll, wie photonische Systeme herkömmlichen CPU-Rigs überlegen sind, indem sie Resultate mit höherer Genauigkeit und geringerem Energiebedarf erzielen. Praxisnah demonstriert.
Physiksimulation und Bildlernen profitieren von reduzierten Parametern und Optimierungen
Durch optimierte analoge Module der zweiten NPU-Generation können nichtlineare Netzwerkarchitekturen direkt und effizient verarbeitet werden. Das führt zu einer drastischen Verringerung der benötigten Modellparameter und einer deutlichen Verkürzung der Trainingsdauer. Parallel dazu steigt die Genauigkeit von Bildlernverfahren signifikant, während die Robustheit in Klassifizierungsaufgaben und physikalischen Simulationen verbessert wird. Anwender profitieren von schnelleren Modellentwicklungen, geringerem Ressourcenbedarf und einer besseren Ausnutzung bestehender Hardware in heterogenen KI-Umgebungen. Zudem reduzieren sich Energiebedarf und Kosten.
Mit seinem standardisierten 19-Zoll-Rackdesign integriert der Native Processing Server nahtlos photonische Beschleuniger in existierende High-Performance-Computing-Cluster. Ausgestattet mit einem x86-Host, Linux-OS und nativer Unterstützung für PCIe, C/C++- und Python-APIs, lässt sich die Lösung ohne Anpassungen an der Infrastruktur einsetzen. Dadurch erschließen sich neue Einsparpotenziale bei Energieverbrauch und Rechenleistung. Dank integrierter Management-Tools werden Deployments automatisiert, der Wartungsaufwand minimiert und die Verfügbarkeit maximiert. Skalierbarkeit und Remotezugriff ermöglichen flexible Erweiterungen nach Bedarf.
Der schlüsselfertige Native Processing Server NPS nutzt mehrere Generation-2-NPUs in einem 19-Zoll-Rackgehäuse und bietet PCIe-Anschlüsse für eine direkte Verbindung mit Hostsystemen. Über C/C++- und Python-APIs können Entwickler photonische Rechenressourcen ohne Zwischenlayer ansprechen. Die Lösung erlaubt eine unmittelbare Performance- und Effizienzsteigerung in bereits vorhandenen HPC- und Rechenzentrumsumgebungen. Die Plug-and-Play-Integration erspart umfangreiche Systemanpassungen und reduziert Inbetriebnahmezeiten erheblich. Sie unterstützt skalierbare Workloads, optimiert Ressourcenauslastung und minimiert Latenzzeiten. Der modulare Aufbau erlaubt zukünftige Erweiterungen.
Hybridmodelle aus Statistik und Physik eröffnen neue pharmazeutische Chancen
Photonische Prozessoren liefern in Fertigung, Logistik und Inspektion eine Effizienzsteigerung für nichtlineare neuronale Netze, indem sie komplexe Operationen direkt im optischen Bereich ausführen. Bildbasierte KI analysiert visuelle Daten präzise, lokalisiert automatisch Fehlstellen, verfolgt Serienkomponenten und optimiert Lagerkapazitäten. Durch drastisch geringeren Parameterbedarf sinken Energieverbrauch und Betriebskosten erheblich, wodurch zuvor undenkbare Computer-Vision-Anwendungen profitabel werden. Ergänzt durch Hybridmodelle aus statistischer Logik und physikalischer Simulation eröffnen sich neue Chancen in Pharmazie, Materialforschung und Systemsteuerung.
Entwickler profitieren ab 2026 von sofort einsetzbarer photonischer KI-Beschleunigung
Ab sofort nimmt Q.ANT Bestellungen für seine schlüsselfertigen Rackserver mit NPU 2 entgegen. Die ersten Lieferungen erfolgen ab dem ersten Halbjahr 2026. Dank der 19-Zoll-Form von Native Processing Servern mit x86-Host und Linux können Unternehmen die photonische Beschleunigung direkt in ihre Rechenzentren integrieren. Die bewährte PCIe-Anbindung und APIs in C, C++ und Python ermöglichen Entwicklern unkomplizierten Zugriff auf die native Lichtverarbeitung und herausragende Leistungswerte. Das Design optimiert Energie- und Ressourcennutzung.
Supercomputing 2025 Demo St. Louis beweist Praxistauglichkeit photonischer Berechnung
Die NPU der zweiten Generation umfasst die Photonic Algorithm Library Q.PAL, bietet native Beschleunigung photonischer Berechnungen in KI- und HPC-Umgebungen. In dem schlüsselfertigen 19-Zoll-Server NPS integriert Q.ANT photonische Prozessoren, einen x86-Host mit Linux sowie C/C++- und Python-APIs. Die optische Verarbeitung nichtlinearer Netzwerke reduziert Parameteranzahl und Energiebedarf bei gleichzeitiger Leistungssteigerung. Eine Live-Präsentation auf Supercomputing 2025 zeigt präzise Bildlernaufgaben in Echtzeit. Die Demonstration bestätigt Effizienzsteigerung, Präzision mit nahtloser, kosteneffizienter Integration in Rechenzentren weltweit.
